Гибридные алгоритмы машинного обучения для прогнозирования количественного состава алюминиевых сплавов методом лазерно-искровой эмиссионной спектроскопии

Rezaei M. , Rezaei F. , Karimi P.
2023

Проведен количественный анализ образцов алюминия с помощью лазерно-искровой эмиссионной спектроскопии (LIBS) и различных классических подходов к машинному обучению. Nd:YAG-лазер с модулятором добротности на основной гармонике 1064 нм используется для создания плазмы LIBS Для прогнозирования концентраций составляющих стандартных алюминиевых сплавов. Прогнозирование концентрации выполнено с помощью линейных подходов регрессии опорных векторов (SVR), множественной линейной регрессии (MLR), анализа главных компонент (PCA), интегрированного с MLR (PCA-MLR) и SVR (PCA-SVR), а также нелинейных алгоритмов искусственной нейронной сети (ANN), ядерной регрессии опорных векторов (KSVR) и объединения традиционного анализа главных компонент с KSVR (РСА-KSVR) и ANN (РСА-ANN). Для улучшения количественного анализа применяется уменьшение размерности к различным методологиям на основе алгоритма PCA. Комбинация PCA-KSVR показывает наибольшую эффективность в прогнозировании большинства элементов среди других классических алгоритмов машинного обучения.

Rezaei M. , Rezaei F. , Karimi P. Гибридные алгоритмы машинного обучения для прогнозирования количественного состава алюминиевых сплавов методом лазерно-искровой эмиссионной спектроскопии. Журнал прикладной спектроскопии. 2023;90(3):528-1-528-12.
Цитирование

Список литературы

Похожие публикации

Источник